将大量数字存储到 numpy 数组中

Question

我有一个数据集，我正在尝试对其应用一些算术方法。 问题是它给了我相对较大的数字，而当我使用 numpy 进行操作时，它们的库存为 0。

奇怪的是，当我计算数字时，它们有一个 int 值，当我使用 numpy 计算它们时它们才变成零。

x = np.array([18,30,31,31,15])
10*150**x[0]/x[0]
Out[1]:36298069767006890

vector = 10*150**x/x
vector
Out[2]: array([0, 0, 0, 0, 0])

我当然检查过它们的类型：

type(10*150**x[0]/x[0]) == type(vector[0])
Out[3]:True

如何使用 numpy 计算这么大的数字而不看到它们变成零？

请注意，如果我们在开始时删除因子 10，问题会发生轻微变化（但我认为这可能是类似的原因）：

x = np.array([18,30,31,31,15])
150**x[0]/x[0]
Out[4]:311075541538526549

vector = 150**x/x
vector
Out[5]: array([-329406144173384851, -230584300921369396, 224960293581823801,
   -224960293581823801, -368934881474191033])

负数表示python中int64类型的最大数是交叉的不是吗？

Answer 1

正如 Nils Werner 已经提到的，numpy 的原生 ctypes 不能保存那么大的数字，但 python 本身可以，因为 int 对象使用任意长度的实现。 所以你可以做的是告诉numpy不要将数字转换为ctypes，而是使用python对象。这会比较慢，但它会起作用。

In [14]: x = np.array([18,30,31,31,15], dtype=object)

In [15]: 150**x
Out[15]: 
array([1477891880035400390625000000000000000000L,
       191751059232884086668491363525390625000000000000000000000000000000L,
       28762658884932613000273704528808593750000000000000000000000000000000L,
       28762658884932613000273704528808593750000000000000000000000000000000L,
       437893890380859375000000000000000L], dtype=object)

在这种情况下，numpy 数组不会存储数字本身，而是对相应 int 对象的引用。当您执行算术运算时，它们不会在 numpy 数组上执行，而是在引用后面的对象上执行。
我认为您仍然可以通过这种解决方法使用大多数 numpy 函数，但它们肯定会比平时慢很多。

但是当你处理这么大的数字时，你会得到这样的结果：D
也许在某个地方有一个图书馆可以更好地处理这个问题。

为了完整性，如果精度不是问题，您也可以使用浮点数：

In [19]: x = np.array([18,30,31,31,15], dtype=np.float64)

In [20]: 150**x
Out[20]: 
array([  1.47789188e+39,   1.91751059e+65,   2.87626589e+67,
         2.87626589e+67,   4.37893890e+32])

Answer 2

150 ** 28 远远超出了 int64 变量所能表示的范围（它在 8e60 的范围内，而 unsigned int64 的最大可能值大约是 18e18）。

Python 可能使用任意长度的整数实现，但 NumPy 没有。

正如您正确推断的那样，负数是 int 溢出的症状。